【技术实现步骤摘要】
基于注意力卷积神经网络的太阳能电池缺陷检测方法
[0001]本专利技术属于图像表面缺陷检测
，具体涉及一种基于注意力卷积神经网络的太阳能电池缺陷检测方法。
技术介绍
[0002]太阳能电池因晶体结构的脆弱性的影响，运输、安装过程中极易产生裂纹。在光伏电站实际运行过程中，部分裂纹会发展为碎片缺陷。裂纹不仅严重降低发电效率和使用寿命，甚至缺陷处局部过热导致火灾事故，造成直接经济损失。因此，为保证光伏电站安全高效运行，基于计算机视觉的自动化方法对实现太阳能电池的裂纹和碎片缺陷检测具有深刻的现实意义。太阳能电池缺陷检测主要预测EL图像中多尺度缺陷的的分类和定位信息。EL条件下的太阳能电池图像，缺陷区域转换效率低，不发光因而呈现灰黑色。原始EL图像主要包括纯裂纹图像、纯碎片图像和混合缺陷图像三种，其中裂纹缺陷表现为具有随机尺度和纹理的线状或交叉状；碎片缺陷表现为块状黑斑，暗黑色簇状分布。主栅线与裂纹的线性特征具有相似性，多晶太阳能电池片存在的晶粒易造成伪缺陷，上述因素均使得太阳能电池缺陷自动检测极其困难；
[0003]基...
【技术保护点】
【技术特征摘要】
1.一种基于注意力卷积神经网络的太阳能电池缺陷检测方法，其特征在于，包括以下步骤：S1、采集太阳能电池板缺陷图像；S2、对太阳能电池板缺陷图像进行包括畸变、矫正、去除无关背景、归一化在内的预处理；S3、随机划分S2得到的原始太阳能电池缺陷图像库，按比例分为训练集，验证集和测试集，使用软件标注每张缺陷电池片图像的缺陷类别和位置信息；S4、将经过S3处理后的图像输入到基于注意力的YOLOv5网络中，YOLOv5网络主要由输入端、骨干网络、特征融合部分和输出端构成；S5、填充或缩放原始电池片缺陷图像，固定输入网络的图像尺寸，并归一化图像数据，转化为[0,1]区间内的浮点数；S6、输入图像输入骨干网络，骨干网络包括三个标准卷积块、两个可变形卷积块DCNv2、C3True、坐标注意力模块CA、SPPF池化层，每经过一个卷积块均做一次下采样操作；S7、提取三个大、中、小三个尺度的特征图用于提取缺陷特征；S8、特征融合步骤：在使用自上而下的特征金字塔和自下而上的路径增强结构的基础上，引入坐标注意力和跨层连接，将骨干网络中的中尺度特征图跨层与自下而上增强结构的中尺度特征图拼接在一起，并在自下而上的路径增强结构的第一和第二个shortcut为False的C3层后添加坐标注意力层；S9、分别使用一个卷积层预测边界框信息和置信度信息；S10、将训练后的模型用于真实工况下的太阳能电池裂纹和碎片缺陷检测。2.根据权利要求1所述的一种基于注意力卷积神经网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S2对太阳能电池板缺陷图像进行包括畸变、矫正、去除无关背景、归一化在内的预处理，具体包括：1)建立太阳能电池片缺陷图像库：将S1采集到的太阳能电池板图像经过畸变矫正去除无关背景，使太阳能板图像占据整张图像呈常规矩形；2)将太阳能电池板图像经过裁切得到太阳能电池片图像，从中筛选出缺陷图像，并采取归一化操作，得到与EL公共数据集图像大小一致的缺陷图像，建立原始的太阳能电池缺陷图像库。3.根据权利要求1所述的一种基于注意力卷积神经网络的太阳能电池缺陷检测方法，其特征在于，所述步骤S3随机划分S2得到的原始太阳能电池缺陷图像库，按比例分为训练集，验证集和测试集，使用软件标注每张缺陷电池片图像的缺陷类别和位置信息，具体包括：随机划分S2得到的原始太阳能电池缺陷图像库，按7：1：2比例分为训练集，验证集和测试集；对训练集采用水平翻转、垂直翻转、对比度增强和亮度增强操作，扩充训练集图像；使用软件标注每张缺陷电池片图像的缺陷类别和位置信息；人工使用Labelimg软件标注缺陷区域的缺陷类型，包括裂纹和碎片两种；原始数据集的训练集、验证集、测试集分别选取了407、59、117张缺陷图片；扩增后数据集的训练集、验证集、测试集分别选取了2035、59、117张缺陷图片。4.根据权利要求1所述的一种基于注意力卷积神经网络的太阳能电池缺陷检测方法，其特征在于，所述S5填充或缩放原始电池片缺陷图像，固定输入网络的图像尺寸，并归一化图像数据，转化为[0,1]区间内的浮点数，具体包括：
开启Mosaic数据增强和尺度变换，填充或缩放原始电...
【专利技术属性】
技术研发人员：陈亚芳，刘金辉，黄新宇，廖飞，龚恒翔，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。